我的 Serverless 实战 — Serverless 架构理念 ( 后端服务器发展 | Serverless 与 ServerFul | Serverless 定义 | 架构优缺点 )

简介: 我的 Serverless 实战 — Serverless 架构理念 ( 后端服务器发展 | Serverless 与 ServerFul | Serverless 定义 | 架构优缺点 )

文章目录

一、后端服务器架构发展

二、Serverless 与 ServerFul

三、Serverless 定义

四、Serverless 优缺点

【本文正在参与 “100%有奖 | 我的Serverless 实战”征稿活动】活动链接






一、后端服务器架构发展


后端服务器架构发展 :


物理机 + 应用 : 初期是由开发者 自己购买服务器 , 托管在机房 , 部署运行环境 , 然后为其申请 IP 地址并绑定服务器 , 在服务器上运行相关服务器软件 , 如 Tomcat , Oracle 等 ; 该方案 , 除了开发之外 , 还要有硬件维护相关工作 ;


虚拟机 + 云平台 + 应用 : 将一台物理上的主机 , 分割为多个虚拟主机进行使用 , 服务器等硬件设备由云平台厂商提供 , 如阿里云 , 腾讯云等 ; 开发者可以直接购买虚拟机 , 如亚马逊的 EC2 , 阿里云的 ECS , 腾讯云的 CVM ; 在云平台中 , 可以将 数据库运行在云数据库中 , 相关的 文件资源可以存储在对象存储中 , 这样使用维护起来 , 使用更方便 , 风险更低 , 性能可以弹性伸缩 ; 服务器只需要处理业务逻辑 , 存储于功能分离开来 , 更加安全 ; 开发者不需要维护硬件 , 但是相关软件维护工作 , 还是需要花费很多精力 ;


容器 + 应用 : 使用虚拟机时 , 服务器每次扩容 , 都需要初始化先关的运行环境 , Docker 技术出现后 , 在虚拟化基础上 , 将运行环境和部署的业务绑定在一起 , 这样每次初始化服务器时 , 直接使用 Docker 容器直接部署即可 ;


容器编排 : 如果需要短时间内对服务器进行扩容 , 增加服务器吞吐量 , 那么就需要加入很多 Docker 容器 , 管理这些容器对应的技术就是容器的编排技术 , 进行容器编排工作 ;



Serverless 架构 , 就是为了解决上述运行环境问题而提出的 , 开发者可以只关心业务实现 , 不用再服务器 , 运维等方面花费太多的时间和成本 ,






二、Serverless 与 ServerFul


传统的后端开发方式可以理解成为 ServerFul , 服务器的一切细节 , 软件 , 硬件 , 数据库 , 网络 , 空间 等都需要开发者来关注 , 如果任意一个方面出现故障 , 都有可能造成整个系统宕机 ;


ServerFul 架构中 , 开发者需要关注 服务器弹性伸缩 , 负载均衡 , 异地容灾备份 , 性能监控 , 网络安全 , 负载均衡 , 数据 / 文件存储 , 等各种细节 , 这些需要投入大量的成本 ;



Serverless 是后端架构的一种概念 , 思维 ;


并不代表没有后台服务器 , 只是说将相关的服务器工作 , 尽最大可能托管给云平台 , 开发者不用关心服务器运维相关的工作 ;


借用该架构 , 开发者只需要开发相关应用业务逻辑 ; 后端的服务器 , 资源等的管理维护工作 , 交给云平台即可 ; 云平台负责调度管理上述服务器运维工作 ;



云平台基于上述理念 , 提供 Serverless 服务 , 由于没有统一的标准 , 每家云平台提供的云服务都略有差异 ;






三、Serverless 定义


Serverless 的定义 : 采用 Faas 和 Baas 服务解决问题的设计 ;


Faas : Function as a Service 函数即服务 , 云平台提供平台 , 开发者只负责开发运行管理业务逻辑 , 无需相关维护操作 ;


Bass : Backend as a Service 后端即服务 , 云平台提供整合云后端服务 , 如文件/数据存储 , 推送 , 登录验证等 ;


开发者只需要开发业务逻辑代码即可 , 相关的登录 , 注册 , 存储 , 使用 Bass 提供的服务即可 , 同时开发者将写好的代码提交到 Serverless 中 , Serverless 有一个专门运行逻辑代码的空间 , 这个空间就是 Faas ;


Faas 的本质就是函数运行平台 , 该平台支持各种主流语言 , 如 Java , Python , JavaScript 等 ; 开发者对 Fass 平台底层的服务器 , 硬件配置 , 系统环境 等无感知 ;






四、Serverless 优缺点


Serverless 特点 :


没有运维 : 开发者 不需要关心服务器的运维工作 ; 运维工作由云平台提供 ;


事件驱动 : Serverless 上部署的函数 , 不是随时都在运行 , 而是通过条件触发 , 如用户的 HTTP 请求 , GET / POST 请求等 ; 这些触发事件 , 称为触发器 , 集成在 Faas 平台 , 开发者可以直接调用 ; 传统的服务器 , 需要一直运行一个 Tomcat 服务器 , 如果该服务器宕机 , 用户则无法访问网站 ;


按量付费 : 按照 Faas 函数执行时所消耗的资源进行付费 , 如 CPU 性能占用及时长 , 内存使用量 , 显卡计算量 , 磁盘空间 等 ; 上述资源使用多少 , 就支付相应费用 , 如果不用 , 就不需要支付费用 ;


弹性伸缩 : Faas 的函数实例可以自动进行创建 / 销毁 , 其可以根据当前的需求并发量 , 自动创建 / 销毁函数实例 ; 每个函数的资源调用量不设上限 , 如果需要可以实时申请很多资源 ;


计算存储分离 : Serverless 的架构 计算 与 存储 分离 , Faas 负责计算 , Baas 负责存储 ;



Serverless 缺点 :


云平台依赖性强 : 对 云平台 依赖性很强 , 不同的云平台之间的标准不统一 , 一旦开发部署完毕 , 就 无法更换云平台 ,


调试困难 : 本地开发环境无法模拟云平台运行环境 , 相关的开发环境也不完善 ;




【本文正在参与 “100%有奖 | 我的Serverless 实战”征稿活动】活动链接


相关实践学习
【玩转ComfyUI】基于函数计算一键部署AI生图平台ComfyUI
本次实验将带大家通过使用阿里云产品函数计算FC,快速使用ComfyUI实现更高质量的图像生成。
从 0 入门函数计算
在函数计算的架构中,开发者只需要编写业务代码,并监控业务运行情况就可以了。这将开发者从繁重的运维工作中解放出来,将精力投入到更有意义的开发任务上。
目录
相关文章
|
人工智能 JavaScript API
零基础构建MCP服务器:TypeScript/Python双语言实战指南
作为一名深耕技术领域多年的博主摘星,我深刻感受到了MCP(Model Context Protocol)协议在AI生态系统中的革命性意义。MCP作为Anthropic推出的开放标准,正在重新定义AI应用与外部系统的交互方式,它不仅解决了传统API集成的复杂性问题,更为开发者提供了一个统一、安全、高效的连接框架。在过去几个月的实践中,我发现许多开发者对MCP的概念理解透彻,但在实际动手构建MCP服务器时却遇到了各种技术壁垒。从环境配置的细节问题到SDK API的深度理解,从第一个Hello World程序的调试到生产环境的部署优化,每一个环节都可能成为初学者的绊脚石。因此,我决定撰写这篇全面的实
2762 67
零基础构建MCP服务器:TypeScript/Python双语言实战指南
|
存储 机器学习/深度学习 数据库
阿里云服务器X86/ARM/GPU/裸金属/超算五大架构技术特点、场景适配参考
在云计算技术飞速发展的当下,云计算已经渗透到各个行业,成为企业数字化转型的关键驱动力。选择合适的云服务器架构对于提升业务效率、降低成本至关重要。阿里云提供了多样化的云服务器架构选择,包括X86计算、ARM计算、GPU/FPGA/ASIC、弹性裸金属服务器以及高性能计算等。本文将深入解析这些架构的特点、优势及适用场景,以供大家了解和选择参考。
1704 61
|
10月前
|
弹性计算 人工智能 前端开发
在阿里云ECS上部署n8n自动化工作流:U2实例实战
本文介绍如何在阿里云ECS的u2i/u2a实例上部署开源工作流自动化平台n8n,利用Docker快速搭建并配置定时任务,实现如每日抓取MuleRun新AI Agent并推送通知等自动化流程。内容涵盖环境准备、安全组设置、实战案例与优化建议,助力高效构建低维护成本的自动化系统。
2265 5
|
存储 运维 Serverless
千万级数据秒级响应!碧桂园基于 EMR Serverless StarRocks 升级存算分离架构实践
碧桂园服务通过引入 EMR Serverless StarRocks 存算分离架构,解决了海量数据处理中的资源利用率低、并发能力不足等问题,显著降低了硬件和运维成本。实时查询性能提升8倍,查询出错率减少30倍,集群数据 SLA 达99.99%。此次技术升级不仅优化了用户体验,还结合AI打造了“一看”和“—问”智能场景助力精准决策与风险预测。
1456 69
|
人工智能 安全 Shell
Jupyter MCP服务器部署实战:AI模型与Python环境无缝集成教程
Jupyter MCP服务器基于模型上下文协议(MCP),实现大型语言模型与Jupyter环境的无缝集成。它通过标准化接口,让AI模型安全访问和操作Jupyter核心组件,如内核、文件系统和终端。本文深入解析其技术架构、功能特性及部署方法。MCP服务器解决了传统AI模型缺乏实时上下文感知的问题,支持代码执行、变量状态获取、文件管理等功能,提升编程效率。同时,严格的权限控制确保了安全性。作为智能化交互工具,Jupyter MCP为动态计算环境与AI模型之间搭建了高效桥梁。
917 2
Jupyter MCP服务器部署实战:AI模型与Python环境无缝集成教程
|
运维 监控 安全
“没服务器了,那我这运维是白干了吗?”——无服务器架构对运维的冲击与转机
“没服务器了,那我这运维是白干了吗?”——无服务器架构对运维的冲击与转机
339 0

热门文章

最新文章

相关产品

  • 函数计算